دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: ریاضیات محاسباتی ویرایش: 1st Edition. نویسندگان: Leszek Rutkowski سری: ISBN (شابک) : 9783642095153, 3642095151 ناشر: Springer سال نشر: 2010 تعداد صفحات: 519 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 17 مگابایت
در صورت تبدیل فایل کتاب Computational Intelligence - Methods and Techniques به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب هوش محاسباتی - روش ها و تکنیک ها نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب فوق العاده به سادگی بر روی تکنیک های مختلف هوش محاسباتی تمرکز دارد، هم تکنیک های تکی و هم آنهایی که روش های ترکیبی را تشکیل می دهند. این تکنیکها امروزه معمولاً برای مسائل هوش مصنوعی به کار میروند. این کتاب روشهای بازنمایی دانش را با استفاده از تکنیکهای مختلف، یعنی مجموعههای خشن، مجموعههای فازی نوع ۱ و مجموعههای فازی نوع ۲ ارائه میکند. در ادامه، معماریهای مختلف شبکه عصبی ارائه شده و الگوریتمهای یادگیری آنها استخراج میشود. سپس، خانواده الگوریتم های تکاملی، از جمله ارتباط بین این تکنیک ها و شبکه های عصبی و سیستم های فازی مورد بحث قرار می گیرد. در نهایت، روشهای مختلف تقسیمبندی دادهها و الگوریتمهای خوشهبندی خودکار دادهها ارائه شده و معماریهای عصبی فازی جدید مورد مطالعه و مقایسه قرار گرفتهاند.
This quite simply superb book focuses on various techniques of computational intelligence, both single ones and those which form hybrid methods. These techniques are today commonly applied to issues of artificial intelligence. The book presents methods of knowledge representation using different techniques, namely the rough sets, type-1 fuzzy sets and type-2 fuzzy sets. Next up, various neural network architectures are presented and their learning algorithms are derived. Then, the family of evolutionary algorithms is discussed, including connections between these techniques and neural networks and fuzzy systems. Finally, various methods of data partitioning and algorithms of automatic data clustering are given and new neuro-fuzzy architectures are studied and compared.